基于能量的图神经网络异常检测
用于图的预测任务的最先进模型为图神经网络 (GNNs)。本文主要研究在训练和推理期间出现了未在训练集中出现的节点的情况下,存在于图中的 out-of-distribution (OOD) 节点。我们提出了 Out-of-Distribution Graph Attention Network (OODGAT),作为一种新颖的 GNN 模型,通过显式地模型化节点之间的交互,将异常值与正常值分离开来,从而优于现有的异常值检测方法并在内部分布分类方面更好或与之媲美。
Aug, 2023
本文提出了一种名为 OOD-GNN 的图神经网络,它通过使用利用随机傅里叶特征的非线性图表示装饰方法来消除图表示中相关和不相关部分之间的统计依赖关系,进而使其能够实现对训练图数据分布以外的新颖测试图数据的良好性能。经实验证明,该方法在两个合成和 12 个真实数据集上均远远优于现有的最优基准模型。
Dec, 2021
本研究旨在通过无监督学习的方式,利用图像对 OOD 图像进行检测,提出了一种基于对比学习的 GOOD-D 图像对比学习框架,并使用基于层级对比学习的方法捕捉潜在的 ID 模式,能够在不使用任何 ground truth 标签的情况下准确检测 OOD graphs,并建立了一个综合基准来比较我们的提出的方法和不同的最先进的方法,实验结果证明了我们方法的卓越性。
Nov, 2022
通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差,提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络,以抵消训练数据中的混淆偏差,并促进学习可泛化的预测关系。实验证明,该模型可以有效提高各类分布迁移情况下的泛化性能,在图的分布迁移基准测试中相比最先进方法最多提高 27.4% 的准确率。
Feb, 2024
在开放世界中安全部署机器学习模型的重要基础是确定输入是否为 ODD, 然而,传统基于 softmax 置信度得分的方法在 ODD 数据的后验分布上存在过度自信的问题,本文提出了一个使用能量分数的 ODD 检测的统一框架,理论上更能够识别 “内部” 和 “外部” 数据。这个框架内可以灵活地将能量用作得分函数和 OOR 检测的可训练成本函数,与 CIFAR-10 预训练的 WideResNet 相比,使用能量分数将平均 FPR (在 TPR 95%处)降低了 18.03%,并且使用基于能量的训练,我们的方法在常见基准上表现优异。
Oct, 2020
本文提出了一种名为 StableGNN 的基于因果关系的图神经网络框架,该框架从图数据中提取高级表示,并利用因果推断的区分能力帮助模型消除虚假相关性,具有良好的有效性、灵活性和解释性。
Nov, 2021
本文中,我们通过研究生成 “有效” 的 OOD 样本的复杂性,分析了调整之前的方法的可行性。我们提出了一种使用流形学习网络(例如变分自编码器)生成这些样本的新算法,然后训练一个 $n+1$ 分类器来检测 OOD,其中第 $n+1$ 类代表 OOD 样本。我们在 MNIST 和 Fashion-MNIST 数据集上将我们的方法与几种最近的基于分类器的 OOD 检测器进行了比较,实验表明我们的方法总体上表现更好。
Oct, 2019
不断进行未标注 OOD 检测的新设置,使用融合 Mahalanobis 距离和最近邻方法的 U-OOD 评分函数,并设计了一种置信度缩放的少样本 OOD 检测器,大幅改善相关领域的强基准模型。
Jun, 2024